Новая обученная модель Fin Apex 1.0 от Intercom превосходит GPT-5.4 и Claude Sonnet 4.6 в решении задач службы поддержки

Intercom делает необычную ставку для традиционной компании-разработчика программного обеспечения: создает собственную модель ИИ.

Пятнадцатилетняя крупная платформа клиентского сервиса в четверг анонсировала Fin Apex 1.0 — небольшую специализированную модель ИИ, которая, по утверждению компании, превосходит ведущие передовые модели от OpenAI и Anthropic по ключевым метрикам, наиболее важным для техподдержки.

Модель лежит в основе существующего ИИ-агента Fin от Intercom, который уже обрабатывает более двух миллионов клиентских диалогов еженедельно.

Согласно бенчмаркам, предоставленным VentureBeat, Fin Apex 1.0 достигает показателя успешного решения проблем (resolution rate) в 73,1% — это процент клиентских запросов, полностью решенных без участия человека, — по сравнению с 71,1% как у GPT-5.4, так и у Claude Opus 4.5, и 69,6% у Claude Sonnet 4.6. Этот отрыв примерно в 2 процентных пункта может показаться незначительным, но он больше типичного разрыва между последовательными поколениями передовых моделей.

«Если вы управляете масштабными службами поддержки и у вас 10 миллионов клиентов или миллиард долларов выручки, дельта в 2% или 3% — это действительно огромный объем клиентов, взаимодействий и доходов», — рассказал генеральный директор Intercom Оуэн МакКейб (Eoghan McCabe) в видеоинтервью VentureBeat на этой неделе.

Модель также демонстрирует значительные улучшения в скорости и точности. Fin Apex выдает ответы за 3,7 секунды — на 0,6 секунды быстрее ближайшего конкурента — и демонстрирует снижение количества галлюцинаций на 65% по сравнению с Claude Sonnet 4.6.

Пожалуй, самое впечатляющее для корпоративных клиентов: она обходится примерно в пять раз дешевле прямого использования передовых моделей и уже включена в существующую структуру ценообразования Intercom на основе «оплаты за результат» для текущих тарифных планов.

Какая базовая модель используется? И имеет ли это вообще значение?

Но есть нюанс. На просьбу уточнить, на базе какой именно модели был создан Apex, и назвать размер ее параметров, в Intercom ответили отказом.

«Мы не раскрываем базовую модель, которую использовали для Apex 1.0 — из соображений конкуренции, а также потому, что планируем со временем менять базовые модели», — сообщил представитель компании VentureBeat. Компания лишь подтвердила, что модель имеет «размер порядка сотен миллиардов параметров».

Для сравнения: Llama 3.1 от Meta насчитывает от 8 до 405 миллиардов параметров, а более крупные передовые модели вроде GPT-5.4, как предполагается, исчисляются триллионами.

Остается открытым вопрос, подтверждаются ли заявления о производительности Apex в таком контексте — или же бенчмарки отражают оптимизации, возможные только в узких, предметно-ориентированных приложениях.

В Intercom говорят, что учли опыт негативной реакции, с которой столкнулся ИИ-стартап для программирования Cursor, когда критики обвинили помощника в сокрытии того факта, что его модель Composer 2 была построена на базе моделей с открытыми весами, а не на проприетарной технологии. Однако урок, который извлекла Intercom, вряд ли удовлетворит скептиков: компания открыто заявляет, что использовала открытые веса в качестве базы, но не уточняет, какие именно.

«Мы совершенно не скрываем, что использовали модель с открытыми весами», — заявил представитель компании. Тем не менее, отказ назвать модель на фоне заявлений о прозрачности — это противоречие, которое, вероятно, вызовет вопросы, особенно на фоне того, как все больше компаний выдают за «проприетарный» ИИ дообученные открытые базовые модели.

Пост-тренинг как новый рубеж

Аргумент Intercom заключается в том, что базовая модель сегодня уже не имеет особого значения.

«Предварительное обучение (пре-тренинг) теперь своего рода товар широкого потребления, — отметил МакКейб. — Передовой край, если можно так выразиться, на самом деле лежит в области пост-тренинга. Пост-тренинг — это сложная часть. Вам нужны проприетарные данные. Вам нужны проприетарные источники достоверной информации».

Компания дообучила выбранную базовую модель, используя годы проприетарных данных службы поддержки, накопленных с помощью Fin, которая теперь обрабатывает 2 миллиона клиентских запросов в неделю. Этот процесс включал в себя нечто большее, чем просто загрузку стенограмм в модель. Intercom создала системы обучения с подкреплением на основе реальных результатов решения проблем, обучая модель тому, как на самом деле выглядит успешный клиентский сервис: подходящему тону, принятию решений, структуре диалога и, что критически важно, умению распознавать, действительно ли проблема решена или клиент все еще расстроен.

«Общие модели обучены на общих данных из интернета. Специализированные модели обучены на гиперспецифичных доменных данных, — пояснил МакКейб. — Следовательно, логично предположить, что интеллект общих моделей является общим, а интеллект специализированных моделей привязан к конкретной предметной области и поэтому работает гораздо эффективнее в данном сценарии использования».

Если МакКейб прав и вся магия кроется исключительно в пост-тренинге, нежелание называть базу становится труднее оправдать. Если фундамент действительно взаимозаменяем, то какое конкурентное преимущество защищает секретность?

Ставка в 100 миллионов долларов окупается

Это объявление появляется на фоне того, как стратегия Intercom по переходу на искусственный интеллект начинает приносить плоды. Доходы от Fin приближаются к 100 миллионам долларов годового регулярного рекуррентного дохода (ARR) и растут в 3,5 раза быстрее остальных, что делает этот сегмент самым быстрорастущим в бизнесе компании с общим ARR в 400 миллионов долларов. Ожидается, что в начале следующего года на долю Fin будет приходиться половина общей выручки Intercom.

Эта траектория представляет собой впечатляющий разворот. Когда Fin только запускался, показатель успешности решения проблем составлял всего 23%. Сегодня в среднем по клиентам он достигает 67%, а у некоторых крупных корпоративных заказчиков этот показатель доходит до 75%.

Чтобы добиться этого, Intercom за последние три года увеличила свою команду специалистов по ИИ примерно с 6 до 60 исследователей — значительные инвестиции для компании, которая, по признанию МакКейба, находилась «в очень плохом положении» до своего разворота в сторону ИИ. Средний темп роста публичных софтверных компаний составляет около 11%; Intercom рассчитывает достичь роста в 37% в этом году.

«Мы, безусловно, первыми в своей категории обучили собственную модель, — сказал МакКейб. — Ни у кого другого не будет ничего подобного еще год или дольше».

Видообразование и специализация ИИ

Тезис МакКейба согласуется с более широкой тенденцией, которую Андрей Карпатый, бывший руководитель направления ИИ в Tesla и OpenAI, недавно охарактеризовал как «видообразование» (speciation) моделей ИИ — распространение специализированных систем, оптимизированных под узкие задачи, а не под общий интеллект.

Служба поддержки клиентов, утверждает МакКейб, идеально подходит для такого подхода. Наряду с помощниками для программирования и, возможно, юридическим ИИ, это один из двух или трех сценариев использования корпоративного ИИ, которые на данный момент нашли реальную экономическую отдачу. Это привлекло более миллиарда долларов венчурного финансирования к таким конкурентам, как Decagon и Sierra, и сделало эту нишу, по выражению МакКейба, «беспощадно конкурентной».

Вопрос в том, представляют ли доменно-специфичные модели долгосрочное преимущество или временный арбитраж, который передовые лаборатории в конечном итоге закроют. МакКейб считает, что лаборатории сталкиваются со структурными ограничениями.

«Возможно, будущее за тем, что у Anthropic появится большое предложение из множества разных специализированных моделей. Может быть, это так и будет выглядеть, — сказал он. — Но реальность такова, что я не думаю, будто общие модели смогут угнаться за доменно-специфичными моделями прямо сейчас».

От эффективности к качеству опыта

Раннее внедрение корпоративного ИИ было сильно сфокусировано на сокращении затрат — замене дорогих человеческих агентов более дешевыми автоматизированными. Но МакКейб видит, как фокус смещается в сторону качества пользовательского опыта.

«Сначала все думали: «Охренеть, мы действительно можем делать это намного дешевле». А теперь они думают: «Подождите-ка, нет, мы можем предоставить клиентам гораздо лучший сервис»», — отметил он.

Видение компании простирается далеко за рамки простого решения стандартных запросов. МакКейб представляет ИИ-агентов, которые функционируют как консультанты — например, бот магазина обуви, который не просто отвечает на вопросы о доставке, а предлагает советы по стилю и показывает клиентам, как разные варианты могут выглядеть на них.

«Клиентский сервис всегда был довольно дерьмовым, — прямо заявил МакКейб. — Даже у самых лучших брендов вас заставляют ждать на линии, вас перенаправляют из одного отдела в другой. Сейчас появилась возможность обеспечить поистине безупречный клиентский опыт».

Цены и доступность

Для существующих клиентов Fin обновление до Apex не потребует дополнительных затрат. В Intercom подтвердили, что цены для клиентов остаются прежними: пользователи продолжают платить за результат, как и раньше (0,99 долл. за успешно завершенное взаимодействие), и автоматически получают преимущества новой модели.

Apex недоступна как самостоятельная модель или через внешний API. К ней можно получить доступ только через Fin, а это значит, что компании не могут лицензировать модель отдельно или интегрировать ее в собственные продукты. Это ограничение может сдерживать способность Intercom монетизировать модель за пределами существующей клиентской базы, но оно также сохраняет технологию проприетарной в практическом смысле, независимо от того, какой окажется базовая модель.

Что дальше

Intercom планирует расширить возможности Fin за пределы службы поддержки клиентов — в сферу продаж и маркетинга. Таким образом, платформа позиционируется как прямой конкурент концепции Agentforce от Salesforce, которая нацелена на предоставление ИИ-агентов на всех этапах взаимодействия с клиентом.

Для индустрии SaaS в целом шаг Intercom ставит неудобные вопросы. Если 15-летняя компания из сферы клиентского сервиса может создать модель, превосходящую OpenAI и Anthropic в своей нише, что это значит для вендоров, все еще полагающихся на вызовы стандартных API? И если «пост-тренинг — это новый рубеж», как настаивает МакКейб, столкнутся ли компании, заявляющие о прорывах, с необходимостью демонстрировать результаты своей работы — или они продолжат прятаться за завесой коммерческой тайны, при этом рассуждая о прозрачности?

Ответ МакКейба на первый вопрос, изложенный в его недавнем посте в LinkedIn, звучит сурово: «Если вы не можете стать компанией-разработчиком агентов, у вашего CRUD-приложения туманное будущее».

Ответ на второй вопрос еще предстоит увидеть.